SiNGR：基于符号化归一化测地变换回归的脑肿瘤分割
计算机视觉与模式识别
2024-08-23 v4
摘要
脑肿瘤分割面临的主要挑战之一源于肿瘤边界附近体素的不确定性。然而，生成真值分割掩码的常规过程未能正确处理此类不确定性。这些由 0 和 1 组成的“硬标签”在概念上影响了以往大多数脑图像分割研究。因此，肿瘤分割通常通过体素分类来解决。在本工作中，我们转而将该问题视为体素级回归，其中真值表示从任意像素到肿瘤边界的确定性映射。我们提出了一种基于符号化测地变换的新型真值标签变换，以捕捉脑肿瘤邻近区域的不确定性。我们将此思想与类 Focal 回归 L1 损失相结合，该损失通过根据体素的难度对其进行适当加权，实现了在高维输出空间中的有效回归学习。我们进行了全面的实验评估以验证所提方法的各个组件，将其与多种 SOTA 分割模型进行比较，并证明其与架构无关。我们方法的代码已公开可用 (\url{https://github.com/Oulu-IMEDS/SiNGR/})。
引用
@article{arxiv.2405.16813,
title = {SiNGR: Brain Tumor Segmentation via Signed Normalized Geodesic Transform Regression},
author = {Trung Dang and Huy Hoang Nguyen and Aleksei Tiulpin},
journal= {arXiv preprint arXiv:2405.16813},
year = {2024}
}
备注
Accepted as a conference paper at MICCAI 2024